在 For 循环中创建 DataFrame 会产生 Nan 错误

Question

在 Jupyter Notebook 上探索 Olympics 数据集时，我试图从 this dataset 中找出最古老的运动。

这是我目前拥有的代码：

sports = olympics.set_index('Sport')
sport_name = olympics['Sport'].unique()

for sport in sport_name:
    years_played = sports.loc[sport, ['Year']].max() - sports.loc[sport, ['Year']].min()
    print(sport, years_played)

代码返回这个结果：

Basketball Year    80.0
dtype: float64
Judo Year    52.0
dtype: float64
Boxing Year    112.0
dtype: float64

Here's a screenshot to the output.

注意每个浮点数前面都有一个字符串“Year”。

然后我尝试使用以下代码将其转换为 DataFrame：

sports = olympics.set_index('Sport')
sport_name = olympics['Sport'].unique()

for sport in sport_name:
    years_played = sports.loc[sport, ['Year']].max() - sports.loc[sport, ['Year']].min()
    rows = []
    rows = rows.append([sport, years_played])
    pd.DataFrame(rows, columns = ['Sport', 'Years Played'])

返回错误：KeyError: nan。 Here's a screenshot to the error.

我有两个问题：

1. 为什么循环在每个浮点结果之前返回一个字符串“Year”？我尝试在循环外使用同一行代码（使用.loc，然后用.min() 减去.max()），结果之前没有字符串，只有结果浮点数。
2. 是什么导致了nan 错误？

非常感谢。

Answer 1

嗨，kim，欢迎来到 StackOverflow。我会尽力解释得更好。

问题 1

循环以这种格式返回结果：

dtype: int64
Basque Pelota Year    0

dtype: int64
Aeronautics 0

如您所见，Basque Pelota Year 0 包含 Year 但 Aeronautics 0 没有。

在第一种情况下years_played 的类型是<class 'pandas.core.series.Series'>，但在第二种情况下是<class 'numpy.int64'>。这意味着在第一种情况下，您必须访问该系列的值，例如：years_played['Year']，但在第二种情况下，如果您尝试这样做，它将引发异常 IndexError: invalid index to scalar variable.，因为它是 int64 类型而不是系列.

在您的情况下，检查years_played 的类型并根据类型获取值就足够了：

print(sport, years_played['Year'] if isinstance(years_played, Series) else years_played)

查看built-in function isinstance() 的参考。您也可以使用type() function 避免使用type()，因为它只是返回对象的类型，而isinstance() 如果对象参数是classinfo 参数的实例，则返回true，或者（直接、间接或虚拟）的子类。

最终代码

基本上最终的代码会产生这样的结果：

import pandas as pd
from pandas.core.series import Series

olympics = pd.read_csv("athlete_events.csv")

sports = olympics.set_index('Sport')
sport_name = olympics['Sport'].unique()

for sport in sport_name:
    years_played = sports.loc[sport, ['Year']].max() - sports.loc[sport, ['Year']].min()
    print(type(years_played)) 
    print(sport, years_played['Year'] if isinstance(years_played, Series) else years_played)

解决问题的另一种方法可能是在开始时解决类型问题：

import pandas as pd
from pandas.core.series import Series

olympics = pd.read_csv(r"C:\Users\carlo.zanocco\Desktop\archive\athlete_events.csv")

sports = olympics.set_index('Sport')
sport_name = olympics['Sport'].unique()

for sport in sport_name:
    years_played = sports.loc[sport, 'Year'].max() - sports.loc[sport, 'Year'].min()
    print(type(years_played)) 
    print(sport, years_played)

这里我把sports.loc[sport, ['Year']].max() - sports.loc[sport, ['Year']].min()改成了sports.loc[sport, 'Year'].max() - sports.loc[sport, 'Year'].min()，所以它只会返回<class 'numpy.int64'>类型的值，打印结果时不需要检查类型。

问题 2

错误KeyError: nan 表示您正在尝试访问不存在的密钥。在你的情况下，密钥nan。

基本上这个异常映射了未找到的键。

Answer 2

天哪，我明白为什么这很难调试了。您的输出屏幕截图中缺少的是最后一部分

Year    80
dtype: int64
Year    52
dtype: int64
...
Year    12
dtype: int64
Year    0
dtype: int64
0

请注意最后一行如何不遵循其余的模式！如果您在循环结束时检查sport 和years_played，似乎没有任何问题。但是如果你检查

• sports.loc[sport[0], ['Year']] 和
• sports.loc[sport[-1], ['Year']]

比较它们你会发现发生了什么。

第一个是DataFrame。您会看到它被一个名为Sport 的索引索引，其中的每个条目都是Basketball。像这样：

            Year
Sport           
Basketball  1992
Basketball  2008
Basketball  1952
Basketball  2000
Basketball  1972
...          ...
Basketball  2004
Basketball  1996
Basketball  2004
Basketball  2008
Basketball  2016

[4536 rows x 1 columns]

然而，第二个是一个系列：

Year    1936
Name: Aeronautics, dtype: object

...如果您从 DataFrame 中选择 only 一行，就会得到这样的结果。

我怀疑你已经知道这一点 - 我注意到你将 'Year' 包装在一个列表中，这确保你在第一种情况下得到一个 DataFrame。只有一列称为Year，所以如果你不这样做，你会得到一个系列：

sports.loc[sport, 'Year'] ->

Sport
Basketball    1992
Basketball    2008
Basketball    1952
Basketball    2000
Basketball    1972
              ... 
Basketball    2004
Basketball    1996
Basketball    2004
Basketball    2008
Basketball    2016
Name: Year, Length: 4536, dtype: int64

（找出与之前输出的差异）

现在，如果您执行sports.loc["Aeronautics", "Year"]，您只会返回一个整数1936，因为您选择了一个单元格。这会导致错误，因为 int 没有您的代码所期望的 max 和 min 方法。

一种解决方案是强制它始终返回一个 DataFrame。你可以这样做......

for sport in sport_name:
    data = sports.loc[[sport], ['Year']]
    years_played = data.max() - data.min()
    print(sport, years_played)

...但这只是使您的问题的真正原因变得明显，而不是解决它。现在data.max() - data.min()回来了

Year    0
dtype: int64

这是一个熊猫系列，只有一个条目。 Series 的索引是 "Year"（因为那是上面创建的 DataFrame data 的列名）。这就是为什么你得到奇怪的输出。实际修复很简单 - 只需选择单个值，现在我们已经确保我们将总是得到一个系列：

for sport in sport_name:
    data = sports.loc[[sport], ['Year']]
    years_played = data.max() - data.min()
    print(sport, years_played[0])

---

您发布的第二段代码将永远无法工作：

for sport in sport_name:
    years_played = sports.loc[sport, ['Year']].max() - sports.loc[sport, ['Year']].min()
    rows = []
    rows = rows.append([sport, years_played])
    pd.DataFrame(rows, columns = ['Sport', 'Years Played'])

最后一行从您放入列表的单行创建一个新的 DataFrame，但没有将其分配给任何东西。但是，就我而言，它也不会引发错误，因此我怀疑我的 pandas (v1.1.0) 版本与您的行为不同。无论如何，我敢肯定，问题将是相同的：years_played 要么是 Series 要么是 int，这取决于这项运动是否已经进行了多年。